2026.09.27 · 电池研究日报

电池寿命预测论文每日监测报告（2026-09-27）

这是执行摘要，不是逐篇论文复述。今日 5 条新增记录均先经过来源核验；1 篇成功获取出版社全文 HTML，4 篇主要使用 OpenAlex 结构化摘要并以 DOI/Crossref 题录或出版社落地页辅助核对。未知字段均保留为“未说明/未能确认”。

今日结论

• 新增： 5 篇；全文级 / 摘要级 / 元数据级 / 线索级：1 / 4 / 0 / 0。MAP-GAN 论文的 Sensors 全文 HTML 成功提取；其余 4 篇没有成功取得可供逐段核验的完整正文。
• 最值得跟进： ① A few-shot and uncertainty-aware method for health status prediction of lithium-ion batteries：少样本、SOH/RUL 联合概率预测且声称单次前向无需在线微调；下一步获取全文，核对 support/query 划分和区间校准。② A Macro-Anchored Physics-Informed GAN for RUL Prediction Under Continuous Block Missing Data：全文给出电芯级 LOOCV、外部 HNEI 验证和缺失模式敏感性；下一步复现 60% 连续缺失与非因果双向上下文限制。③ Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical–Thermal–Degradation Model：把日历/循环老化、内部退化模式和 81 个工况组合连起来；下一步取得完整 accepted manuscript，核对参数标定与真实电芯外推。
• 总体判断： 本批趋势集中在三条路线：少样本与不确定性、连续缺失下的物理约束预测、以及可解释的电化学—热—退化机理模型。MAP-GAN 的验证设计最完整，但主数据不可公开、严格因果在线预测并非研究目标；其余论文多只有摘要证据，不能把高精度数字直接视为可部署 BMS 结果。两篇深度学习论文直接覆盖 SOH/RUL，EIS 论文提供非侵入式 SOH 方向，机理模型则适合作为退化轨迹和工况先验基线。
• 质量提醒： ① 本轮监测脚本的 OpenAlex、Crossref、arXiv、OpenAIRE 和各 RSS/Web 请求均因运行预算在源请求前耗尽而标记失败，不能将 0 结果解释为源内无论文；② 4 篇仍是摘要级，尤其第 2 篇的极低 RMSE 和第 3 篇的跨电芯 RMSE 0.148% 需要全文核对单位、归一化和划分；③ MAP-GAN 的主实验使用双向上下文重建，作者明确说不针对严格因果的数据中断预测，不能直接等同于实时 BMS 方案；④ gold-label top-5 只有 2 条已标注，precision@5=0.4，样本不足以评价整体检索精度。
• 检索规模： 发现记录 72 / 保留题录 12 / 过滤条目 60。60 条是评分、主题边界和去重门槛过滤掉的检索噪声，不应解读为 60 篇漏报。

论文总览

单篇论文分析

1. A few-shot and uncertainty-aware method for health status prediction of lithium-ion batteries

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题和摘要都直接把 lithium-ion battery 的 SOH 与 RUL 作为联合健康状态预测目标，属于寿命预测核心范围。
• 证据： 摘要称方法支持“joint probabilistic prediction of SOH and RUL”，并可通过“single-forward-pass inference”适配未见电芯、无需在线微调。DOI

数据集/电池体系

• 体系/数据： 摘要确认使用两个公开数据集，输入为多通道充电曲线并提取 intra-cycle degradation features；电芯化学体系、数量、采样周期和数据集名称未说明。
• 工况/跨域： 目标是从有限标注快速适配 unseen batteries；温度、倍率、SOC 窗口以及是否跨批次/跨化学体系未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出 SOH 与 RUL 的概率预测；EOL 容量阈值、RUL 单位、标签生成方式和 SOH 具体物理定义未说明，不能自行假定为 80% 容量。
• 未来信息风险： 少样本设定需重点核对 support/query 是否按电芯隔离，以及特征提取、归一化和 RUL 标签是否使用了预测时刻之后的完整寿命轨迹。

模型方法

• 流程： 多通道充电曲线 → 轻量 CNN 提取单循环退化特征 → shared encoder 的 attentive neural process，以 stochastic degradation process 建模 → asymmetric multi-task 机制联合输出 SOH/RUL 和不确定性。摘要未列出完整 baseline 或消融。
• 部署： 摘要明确声称 single forward pass、无需 online fine-tuning；传感器、算力、延迟、支持集规模和在线更新策略未能确认。

验证设计

• 划分/泛化： 在两个公开数据集上验证，并强调对 unseen batteries 的 few-shot adaptation；具体按电芯、批次或工况的训练/测试划分未说明。
• 可信度： 中等、信息不足。方法与任务高度匹配，但没有正文就无法判断少样本协议是否真正隔离了目标电芯和未来信息。

指标与结果

• 摘要只报告“accurate few-shot health status prediction with quantified uncertainty”，未提供 RMSE/MAE、区间覆盖率、校准误差、样本量或与 baseline 的绝对数字。
• 结果类型应包括 SOH/RUL 点预测与概率不确定性，但当前无法确认二者是否分别报告；脚本评分不是实验结果。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；检查 support/query 电芯隔离、完整充电曲线是否被截断、目标电芯归一化参数和 RUL 标签构造。
• 复现性： 信息不足。摘要给出模块思想和两个公开数据集，但未确认数据集名称、代码、超参数、随机种子与 few-shot episode 生成器。
• 局限性： ① 只有摘要级证据；② EOL/SOH 定义和不确定性校准未知；③ “无需微调”的部署成本与支持样本要求未核验。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 少样本联合 SOH/RUL 和单次前向推理与低标注 BMS 场景直接相关。下一步获取 PDF，补齐数据集/化学体系、support/query 划分、校准曲线、基线和跨电芯复现实验。

2. Attention-based deep learning framework for battery charge, health, and lifetime estimation in lithium-ion batteries for electric vehicles

论文基本信息

纳入理由与原文证据

• 主题/边界： 文章直接联合估计 SOC、SOH 和 RUL，并面向 EV 电池管理系统，属于寿命预测核心任务。
• 证据： 摘要称采用 hybrid simulation and data-driven approach，并报告 SOC/SOH/RUL 的 RMSE 分别为 0.0091、0.00127、0.00123，随后用 NASA aging dataset 验证。DOI

数据集/电池体系

• 体系/数据： 以 Panasonic NCR18650BD 锂离子电芯开展测试，使用电—热元素生成/处理充放电和退化数据，并以 NASA battery aging dataset 做验证；电芯数量、化学体系细节、采样规模和字段未说明。
• 工况/跨域： 摘要确认有充放电与退化特征以及电热仿真；温度、倍率、SOC 窗口、测试/训练电芯边界和 NASA 数据的跨域方式未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出 SOC、SOH、RUL 三类状态参数；EOL 阈值、RUL 单位、SOH 是容量还是其他健康定义、标签生成方式均未说明。
• 未来信息风险： 混合仿真和实验数据容易把完整退化轨迹或后验热状态带入特征；需检查仿真数据生成、归一化和 NASA 验证是否严格按预测时刻切分。

模型方法

• 流程： 电气/热特征与 Python 处理 → LSTM 加 attention 捕获短期和长期依赖 → 联合输出 SOC/SOH/RUL。摘要未说明 baseline、消融、损失权重和是否有物理约束。
• 部署： 论文将框架定位为 scalable predictive BMS solution，但传感器最小输入、嵌入式算力、推理延迟、在线更新和异常处理未能确认。

验证设计

• 划分/泛化： Panasonic 测试数据与 NASA aging dataset 共同出现，具有跨数据源验证迹象；按电芯/时间/工况的隔离方式、是否独立测试和 baseline 公平性未说明。
• 可信度： 中等偏低、信息不足。任务覆盖面完整，但摘要不足以判断高 R² 是否来自仿真数据或窗口泄漏。

指标与结果

• 摘要报告 RMSE：SOC 0.0091、SOH 0.00127、RUL 0.00123；对应 R²：0.9976、0.9998、0.9989。单位、测试集、样本量和是否归一化均未说明。
• 这些是点估计结果；不确定性、区间覆盖率、跨电芯误差分布和实际 NASA 外部验证数字未能确认，不能直接与其他论文的 cycle 误差比较。

泄漏风险、复现性与局限性

• 泄漏风险： 中到高、信息不足；重点核查仿真与实测序列的划分、滑窗相邻样本跨集合、NASA 数据预处理和归一化是否看到测试域。
• 复现性： 信息不足。摘要给出 Panasonic 型号、NASA 数据集和 LSTM-Attention，但未确认代码、完整输入字段、超参数、随机种子和数据下载版本。
• 局限性： ① 摘要级，指标单位与阈值未知；② 单一 Panasonic 型号和 NASA 数据不足以证明 EV 现场泛化；③ 仿真—实验混合流程的误差边界未核验。

是否值得跟进

• 结论： 跟进并核验。
• 理由与下一步： SOC/SOH/RUL 统一预测及 NASA 验证适合作为 BMS baseline，但异常小的误差必须先排除归一化或窗口泄漏。下一步获取全文，核对每个任务的单位、时间切分、真实测试电芯和与简单 LSTM/GRU 的公平比较。

3. Lithium-ion battery state-of-health prediction using Inception-V4 network optimized by Modified Hiking Optimization Algorithm

论文基本信息

纳入理由与原文证据

• 主题/边界： 目标是从原始 EIS 阻抗谱预测锂离子电池 SOH，属于健康状态预测和非侵入式寿命监测核心范围。
• 证据： 摘要报告按时间分离的同电芯测试 RMSE 约 1.15%，在未参与训练的新电芯上 RMSE 0.148%，并明确所有结果来自 offline simulation。DOI

数据集/电池体系

• 体系/数据： 在线 EIS 数据集共 14,752 次实验；电池在 25°C/45°C、6 个 SOC、从 100% 到 80% SOH 的循环阶段采集，每条谱包含 0.05–1000 Hz 范围内 14 个对数频率点。
• 工况/跨域： 有温度、SOC 和老化阶段覆盖，并报告时间泛化与新电芯泛化；电芯数量、化学体系、训练/验证细胞清单和是否存在重复测量跨集合未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 输出 SOH；摘要给出数据范围 100%–80% SOH，但未明确把 80% 定义为 EOL，亦未涉及 RUL 单位或标签生成方式。
• 未来信息风险： EIS 是随老化采集的完整谱，需核对频率特征归一化、同一电芯的时间切分、新电芯测试是否真正独立，以及优化算法是否接触测试分布。

模型方法

• 流程： 原始 EIS 复数/谱特征 → Inception-V4 深度网络与 Modified Hiking Optimization Algorithm 联合优化 → SOH 输出；双分支还估计接近等效电路的参数。摘要未列完整 baseline 或消融。
• 部署： 论文明确不声称实时嵌入式 BMS 性能；仅可确认 offline simulation 与可解释参数输出，推理延迟、所需阻抗仪器和在线更新未说明。

验证设计

• 划分/泛化： 一项是同电芯按时间分离的后期循环测试，另一项是完全未参与训练的新电芯；这是比随机窗口更有价值的验证，但温度/SOC 是否跨集合隔离未能确认。
• 可信度： 中等、信息不足。验证方向较好，然而跨电芯 RMSE 低于时间分离结果，必须通过全文确认样本和归一化口径。

指标与结果

• 摘要报告时间分离同电芯测试 RMSE 1.15%，新电芯跨电芯测试 RMSE 0.148%；单位为摘要原文的百分比表述，测试样本数和置信区间未能确认。
• 论文还声称双分支参数接近等效电路表示，但未能核对参数误差、SOH 误差分布、对照模型及跨温度结果。

泄漏风险、复现性与局限性

• 泄漏风险： 中、待全文核对；重点检查按电芯和时间划分、EIS 频率标准化、同一电芯重复谱以及 MHOA 超参数选择。
• 复现性： 中等偏低、信息不足。数据集和 14 个频点结构较清楚，但未确认原始数据下载、代码、网络配置和随机种子。
• 局限性： ① 只有摘要级证据；② offline simulation 不能证明实时嵌入式部署；③ 化学体系、电芯规模和跨温度/跨制造批次泛化未知。

是否值得跟进

• 结论： 跟进。
• 理由与下一步： EIS 输入与新电芯验证对低侵入 SOH 监测有实际价值。下一步获取 Nature 正文，核对复数阻抗输入、数据泄漏防护、跨温度测试、模型复杂度和与传统 ECM/回归基线的公平对比。

4. Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical–Thermal–Degradation Model

论文基本信息

纳入理由与原文证据

• 主题/边界： 文章直接预测 SoH、RUL、cycle life 和内部退化模式，覆盖日历老化与循环老化的退化轨迹，属于机理型寿命预测核心范围。
• 证据： 摘要称模型组合 SEI growth、lithium plating 和两极 active-material loss，并在 81 个使用条件组合下预测达到 75% SoH 的寿命为 0.35–9 年。accepted manuscript

数据集/电池体系

• 体系/数据： NMC-based lithium-ion cell，采用 P2D electrochemical–thermal–degradation model，并用 PyBaMM 生成覆盖 3 个温度、3 个 C-rate、3 个 rest-SOC 和 3 个 DoD 的 81 种组合；摘要称全部模拟数据可提供。
• 工况/跨域： 温度 10/25/40°C、C-rate 0.1/0.3/1.0C、rest SOC 10/60/100%、DoD 50/70/90%；真实电芯数量、实验验证和跨化学体系覆盖未能确认。

EOL/RUL/SOH 定义

• 目标/定义： 明确报告达到 75% SoH 的 cycle life/年限，同时预测 SoH、RUL 和内部退化模式；摘要没有说明 RUL 标签单位、起算点或 75% 阈值是否作为全部场景的 EOL。
• 未来信息风险： 这是机理仿真而非滑窗数据驱动预测，传统窗口泄漏较少；仍需核对参数是否用完整退化模式后验标定，以及预测场景是否与标定场景重合。

模型方法

• 流程： degradation mode analysis → 一致参数化 SEI、析锂和活性材料损失 → P2D 电化学—热—退化耦合模型 → PyBaMM 预测 capacity fade、SoH/RUL 和内部模式。摘要未给出 baseline 或消融。
• 部署： 可用于工况—退化轨迹仿真和机理解释；在线计算、所需传感器、参数更新和 BMS 延迟未能确认。

验证设计

• 划分/泛化： 主要是 81 个温度/倍率/SOC/DoD 组合的情景扫描；摘要未确认独立实验数据、时间外推、按电芯验证或外部化学体系测试。
• 可信度： 中等偏低、信息不足。工况覆盖和机理结构有价值，但目前不能把 0.35–9 年范围当作实验预测误差。

指标与结果

• 摘要给出达到 75% SoH 的预测 cycle-life/年限范围 0.35–9 年，并观察到 sub-linear、linear、sup-linear/accelerated capacity fade 三种形态。
• 未能确认 MAE/RMSE、实验对照、置信区间或不同退化模式的参数误差；当前数字是情景预测范围，不是独立测试性能。

泄漏风险、复现性与局限性

• 泄漏风险： 信息不足；重点检查 degradation-mode 数据是否同时用于参数标定和评估、PyBaMM 参数是否按测试工况调优、以及 75% 阈值是否参与模型选择。
• 复现性： 中等。PyBaMM、方程路线、81 个工况和“模拟数据可提供”已确认，但完整参数表、代码、版本和数据链接未能确认。
• 局限性： ① 当前只能访问摘要级 accepted-manuscript 页面；② 真实实验/现场验证未说明；③ 结果依赖 NMC 单体和机理参数，跨化学体系与随机工况泛化未知。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 该模型可作为哥哥后续数据驱动 RUL 的物理先验和工况扫描基线，尤其适合分析日历与循环老化的交互。下一步取得完整 manuscript、下载模拟数据，核对参数标定、PyBaMM 配置、EOL/RUL 标签和实验校准误差。

5. A Macro-Anchored Physics-Informed GAN for RUL Prediction Under Continuous Block Missing Data

论文基本信息

纳入理由与原文证据

• 主题/边界： 标题直接针对连续块缺失数据下的电池 RUL 预测，且全文把容量退化轨迹重建、不确定性和 RUL 放在同一流程中。
• 证据： 全文主实验在 60% interior block-missing 下报告 MAP-GAN RUL MAE 11.57±9.65 cycles；作者同时说明严格因果实时数据中断预测不是本文重点。全文

数据集/电池体系

• 体系/数据： 主数据为 9 个锂离子纽扣电芯，Neware CT-4008Tn-5V10mA-164 采集，恒流充电和 0.5C 放电；LOOCV 每次 8 个训练、1 个测试。外部 HNEI 数据含 14 个 18650、graphite/NMC-LCO 电芯，前 650 cycles 用于三次随机 train/test split。
• 工况/跨域： 主设定为 65-cycle 窗口、39-cycle 连续内部缺失（60%），另测 20/40/60% 和 early/late 位置；主数据与 HNEI 的工况、容量记录及真实现场噪声仍较受控。

EOL/RUL/SOH 定义

• 目标/定义： 主数据 EOL 定义为容量相对初始额定容量下降 30%，即降至 70%；RUL 是到该阈值的剩余 cycle 数。HNEI 外部验证以 cycle-4 capacity 的 0.7 倍作阈值。
• 未来信息风险： 模型的主缺失块由前后观测包围，属于 retrospective/delayed reconstruction；作者明确不把它当严格因果在线预测，因此部署时必须检查未来右侧上下文是否真实可用。

模型方法

• 流程： 完整历史容量序列 → macro-anchored micro-window MAP-GAN；幅值、形状一阶/二阶差分和波动方差组成物理约束 → encoder-guided latent inversion 重建个体退化轨迹 → Attention-BiLSTM 预测 RUL，20 次 Monte Carlo Dropout 给出预测区间。对比 Mean Fill、Spline、SAITS、BRITS、CSDI、GP-VAE、Vanilla CGAN 等。
• 部署： RTX 4080 SUPER 上 200 次 latent inversion 每 65-cycle 窗口约 2.43 s，20 次 MCD 的预测约 1.1 ms；这是作者测得的相对计算成本，不等于嵌入式 BMS 实时性。

验证设计

• 划分/泛化： 主实验采用按电芯 LOOCV，并对缺失比例/位置做敏感性分析；HNEI 做三次随机 split 的外部检查，但同一电芯可在不同 split 中重复出现，不能当作一次严格互斥的总留出。
• 可信度： 高但有边界。全文给出协议、基线、消融、外部数据和复现配置；限制是主数据不可公开，且测试主要是受控单变量容量序列。

指标与结果

• 缺失重建平均 MAE 2.26、RMSE 3.09、MAPE 2.20%、Pearson r 0.858；主 9 电芯 RUL MAE 11.57±9.65 cycles、RMSE 12.49±9.38、R² 0.746，名义 95% MCD 区间实际覆盖率为 76.7%。
• HNEI 的 60% interior 缺失 RUL MAE 为 31.97±1.27，完整容量参考为 31.94±1.38；early 位置 MAP-GAN 为 30.43±0.85。区间偏窄，作者的约 1.3 倍宽度膨胀只是本评估集的事后分析。

泄漏风险、复现性与局限性

• 泄漏风险： 中；按电芯训练/测试隔离较好，但主任务使用缺失块两侧上下文，且外部 HNEI split 可重复使用电芯。还需检查 latent inversion、归一化和 MCD 校准是否只用训练/验证信息。
• 复现性： 中等偏高。全文给出 PyTorch/NumPy 版本、seed 44、训练预算、超参数和 HNEI Battery Archive 来源；主 9 电芯数据因授权不可公开，作者称 seeds/checkpoints 已释放但公开链接未能确认。
• 局限性： ① univariate 容量序列，尚未覆盖多传感器 BMS；② 训练策略假定部署缺失模式相对固定；③ 主实验规模只有 9 个电芯，严格因果、现场噪声和更多化学体系仍待验证。

是否值得跟进

• 结论： 强烈跟进。
• 理由与下一步： 这是本批唯一全文可核验且同时覆盖缺失重建、RUL、外部验证和不确定性校准的工作，适合做缺失数据鲁棒性 benchmark。下一步下载 HNEI 数据复现 20/40/60% 和 early/late 场景，分离双向插值与严格 causal 设定，并核对作者代码/模型 checkpoint。